Las metaheurísticas son solucionadores de problemas inteligentes que han sido muy eficientes en la resolución de grandes problemas de optimización durante más de dos décadas. Sin embargo, la principal desventaja de estos solucionadores es la necesidad de una configuración de parámetros compleja y dependiente del problema para obtener buenos resultados. Este documento presenta un nuevo algoritmo de búsqueda de cuclillo capaz de autoadaptar su configuración, en particular su población y la probabilidad de abandono. El proceso de autoajuste está gobernado por el uso de aprendizaje automático, donde se emplea el análisis de clústeres para calcular de manera autónoma y adecuada el número de agentes necesarios en cada paso del proceso de resolución. El objetivo es explorar eficientemente el espacio de posibles soluciones mientras se alivia el esfuerzo humano en la configuración de parámetros. Ilustramos resultados experimentales interesantes sobre el conocido problema de la cobertura de conjuntos, donde el enfoque propuesto es capaz de competir contra varios algoritmos de vanguardia, logrando mejores resultados en una sola ejecución frente a 20 configuraciones diferentes. Además, el resultado obtenido se compara con algoritmos híbridos bioinspirados similares, ilustrando resultados interesantes para esta propuesta.